Godinhofilho2013 en Es

Traducido del inglés al español - www.onlinedoctranslator.
com
Este artículo fue descargado por: [Universidad de Nebraska, Lincoln] el: 4

de abril de 2015, a las 21:26
Editorial: Taylor & Francis
Informa Ltd Registrada en Inglaterra y Gales Número de registro: 1072954 Oficina registrada: Mortimer House, 37-41
Mortimer Street, Londres W1T 3JH, Reino Unido
Revista internacional de investigación de producción

Detalles de la publicación, incluidas las instrucciones para los autores y la información de
suscripción:http://www.tandfonline.com/loi/tprs20
Evaluar el impacto de programas alternativos de mejora

continua en un taller de flujo utilizando dinámica de sistemas
Moacir Godinho Filhoa Y Reha UzsoyB

a Departamento de Engenharia de Produção, Universidade Federal de São Carlos, São
Carlos, Brasil
B Edward P. Fitts Departamento de Ingeniería Industrial y de Sistemas, Universidad Estatal de Carolina del
Norte, Raleigh, NC, EE. UU.
Publicado en línea: 03 de diciembre de 2013.
Haga clic para obtener actualizaciones
Para citar este artículo: Moacir Godinho Filho & Reha Uzsoy (2014) Evaluación del impacto de programas alternativos de mejora continua
en un taller de flujo utilizando dinámica de sistemas, International Journal of Production Research, 52:10, 3014-3031, DOI:
10.1080 / 00207543.2013.860249
Para vincular a este artículo: http://dx.doi.org/10.1080/00207543.2013.860249
POR FAVOR, DESPLÁCESE HACIA ABAJO PARA EL ARTÍCULO
Taylor & Francis hace todo lo posible para garantizar la precisión de toda la información (el "Contenido") contenida en las
publicaciones de nuestra plataforma. Sin embargo, Taylor & Francis, nuestros agentes y nuestros otorgantes de licencias no
hacen declaraciones ni ofrecen garantía alguna en cuanto a la precisión, integridad o idoneidad para cualquier propósito del
Contenido. Todas las opiniones y puntos de vista expresados en esta publicación son opiniones y puntos de vista de los
autores, y no son puntos de vista ni están respaldados por Taylor & Francis. No se debe confiar en la precisión del Contenido y
se debe verificar de forma independiente con fuentes primarias de información. Taylor y Francis no serán responsables por
pérdidas, acciones, reclamos, procedimientos, demandas, costos, gastos, daños y otras responsabilidades, cualquiera que sea
la causa, que surja directa o indirectamente en relación con,
Este artículo puede utilizarse con fines de investigación, docencia y estudios privados. Se prohíbe expresamente cualquier
reproducción, redistribución, reventa, préstamo, sublicencia, suministro sistemático o distribución sustancial o sistemática en
cualquier forma a cualquier persona. Los términos y condiciones de acceso y uso se pueden encontrar enhttp: //
www.tandfonline.com/page/terms-and-conditions
Revista Internacional de Investigación de Producción, 2014
Vol. 52, núm. 10, 3014–3031, http://dx.doi.org/10.1080/00207543.2013.860249
Evaluar el impacto de los programas alternativos de mejora continua en un taller de flujo utilizando
sistemas dinámicos
Moacir Godinho Filhoa y Reha UzsoyB*
aDepartamento de Engenharia de Produção, Universidade Federal de São Carlos, São Carlos, Brasil; BDepartamento de Edward P. Fitts
de Ingeniería Industrial y de Sistemas, Universidad Estatal de Carolina del Norte, Raleigh, NC, EE. UU.
(Recibido el 10 de febrero de 2013; aceptado el 21 de octubre de 2013)
Usamos un modelo de simulación de dinámica de sistemas basado en la perspectiva de la Física de Fábrica para estudiar el efecto acumulativo de
la mejora continua en la variabilidad de llegada, variabilidad del proceso, tasa de defectos, tiempo de falla, tiempo de reparación y tiempo de
configuración en las curvas de operación en un taller de flujo. medio ambiente. Descubrimos que pequeñas mejoras simultáneas en múltiples
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015
ubicaciones de la línea pueden proporcionar reducciones en el tiempo de ciclo comparables o, a veces, superiores a las obtenidas con una
mejora importante en una sola ubicación. La reducción de la variabilidad del proceso es a menudo una excelente alternativa para reducir la
media de un parámetro, porque la variabilidad del proceso en una estación determinada afecta no solo a esa estación, sino a todas las estaciones
aguas abajo debido a su impacto en la variabilidad del flujo. Las mejoras en las estaciones sin cuello de botella también tienen beneficios
importantes, nuevamente al reducir la variabilidad del flujo a la estación de cuello de botella. Estos resultados sugieren una interpretación más
amplia de algunos aspectos de la teoría de las restricciones y ayudan a explicar los resultados exitosos del sistema de producción de Toyota.
Palabras clave: curva operativa; mejora continua; física de fábrica
1. Introducción
Paradigmas de fabricación como la manufactura esbeltaWomack, Jones y Ross 1990; Liker2004), fabricación de respuesta rápidaSuri 1998) y
fabricación ágilGunasekaran 1999), con algunas diferencias de énfasis, tratan de reducir la media y la variabilidad de los parámetros críticos
del sistema, como los tiempos de procesamiento, configuración y reparación y las tasas de defectos. Por ejemplo, la manufactura esbelta
argumenta a favor demantenimiento productivo totalTPM) (Nakajima 1988), destinado a mejorar el tiempo de actividad de la máquina, y
intercambio de dados en un minutoShingo) para reducir los tiempos de preparación. Sin embargo, la gerencia debe decidir a menudo
cómo implementar recursos de mejora limitados, como personal calificado, o si realizar grandes inversiones para mejorar un punto crítico
en el proceso.
La importancia de reducir tanto la media como la variabilidad del tiempo de ciclo (CT), el tiempo requerido para que un trabajo
liberado en el sistema de producción se convierta en una producción que pueda satisfacer la demanda, es ampliamente
reconocida en la literatura (Stalk y Hout 1990; Hopp y Spearman2008). Comparamos dos programas de mejora continua sobre su
capacidad para mejorar el CT de un taller de flujo. La primera es una gran mejora en una máquina o estación en particular que la
gerencia considera crítica. Este enfoque es típico de la teoría de las restricciones (Goldratt y Fox1986; Goldratt y Cox1992), que
aboga por centrar los esfuerzos de mejora en los cuellos de botella del sistema con exclusión de otras áreas. Este enfoque puede
tener un impacto importante en la estación seleccionada, pero a menudo requiere una inversión significativa, como la adquisición
o actualización de máquinas, y puede pasar un tiempo considerable antes de que se realice la mejora. El otro enfoque,
ejemplificado por el sistema de producción de Toyota (Liker2004), apunta a pequeñas mejoras simultáneas en muchas áreas
diferentes durante un período prolongado. Este enfoque requiere un esfuerzo significativo en la capacitación y la facilitación de la
operación de los equipos de empleados para lograr mejoras, pero tiende a requerir una menor inversión de capital. Estudiamos el
efecto de estas dos políticas de mejora en la compensación entre la utilización y el CT. También examinamos el efecto de la
ubicación del cuello de botella en el desempeño de estas dos políticas de mejora.
Este documento contribuye a esta área combinando dos técnicas bien conocidas, dinámica de sistemas y modelos de colas, para
construir modelos simples de procesos de múltiples etapas con requisitos de datos modestos que pueden dar a los gerentes la intuición
sobre los resultados potenciales de los proyectos de mejora. Amplía nuestro trabajo anterior sobre sistemas de producción de una sola
etapa (Godinho Filho y Uzsoy2011, 2013) al considerar sistemas de producción de búfer infinito de múltiples etapas, lo que requiere
modelar explícitamente la media y la varianza del flujo entre los centros de trabajo. Si bien el uso de modelos de simulación para
* Autor correspondiente. Correo electrónico:ruzsoy@ncsu.edu
© 2013 Taylor y Francis

Revista internacional de investigación de producción 3015
apoyar las actividades de CI no es nuevo (Adams et al. 1999), creemos que este enfoque es el primero en vincular un modelo cuantitativo del
comportamiento de los sistemas de fabricación con un modelo de dinámica de sistemas para examinar las interacciones entre diferentes actividades
de CI a lo largo del tiempo. Una limitación del enfoque en su forma actual es su restricción a los sistemas de producción con capacidad de
amortiguación infinita; la extensión de este enfoque a las líneas de búfer finito cuyo comportamiento se ve afectado por el comportamiento de
bloqueo está fuera del alcance de este artículo.
Una segunda contribución del artículo radica en los conocimientos que proporciona sobre la relación entre dos filosofías de
mejora continua diferentes, el sistema de producción de Toyota y la teoría de las restricciones. Descubrimos que las reducciones
pequeñas y simultáneas en varias estaciones, tal como lo propugna el sistema de producción de Toyota, pueden producir mejoras
comparables o, a veces, superiores a las obtenidas mediante una mejora importante en una sola ubicación. La reducción de la
variabilidad del proceso es a menudo una excelente alternativa para reducir la media de un parámetro, porque la variabilidad del
proceso en una estación determinada afecta al TC no solo en esa estación, sino también en todas las estaciones aguas abajo. La
mejora en las estaciones sin cuello de botella también produce beneficios significativos al reducir la variabilidad del flujo hacia el
cuello de botella, aumentando así su efectividad.... una mejora sin un cuello de botella es un espejismo ”. Las mejoras en las
estaciones sin cuello de botella pueden conducir a mejoras sustanciales en el rendimiento del sistema al reducir la variabilidad en
el flujo hacia el cuello de botella. Por lo tanto, los programas de mejora que reducen la variabilidad en las estaciones que
alimentan el cuello de botella pueden considerarse legítimamente como una mejora del rendimiento del cuello de botella. De igual
importancia, nuestros modelos permiten una explicación clara y concisa de estos resultados utilizando la perspectiva de cola de
Factory Physics.
En la siguiente sección, revisamos brevemente el trabajo relacionado anterior. La Sección 3 presenta nuestro modelo de máquina única
y luego describe la integración de estos submodelos para representar un entorno de taller de flujo. La sección 4 presenta los resultados de
los experimentos y la sección 5 resume las conclusiones y discute algunas direcciones futuras.
2. Trabajo relacionado anterior
2.1 Mejora continua

La mejora continua es ampliamente reconocida como una fuente de ventaja competitiva y es inherente a muchos movimientos
gerenciales recientes como la Teoría de las Restricciones (Goldratt y Fox 1986) y Six Sigma (Pande, Neuman y Cavang 2000). El
fuerte énfasis del Sistema de Producción Toyota en la eliminación de residuos (Sugimori et al.1977) ha atraído un interés
considerable, especialmente el enfoque Kaizen para la mejora continua (Imai 1986) y el programa TPM de mantenimiento y
gestión de equipos (Shingo 1986; Nakajima1988). Muchos consideran que la incapacidad para implementar de manera eficaz
programas de mejora continua es una de las razones por las que las empresas occidentales no se han beneficiado por completo
de los conceptos de gestión japoneses (Berger1997). Sin embargo, a pesar de su importancia, todavía existen brechas
significativas en nuestra comprensión de esta importante área de la gestión de fabricación. En particular, existen pocos estudios
que aborden la priorización de diferentes proyectos de mejora (Voss2005). A continuación se abordan algunos artículos recientes y
su relación con nuestro modelo propuesto.
Heijnen y Lukszo (2006) propuso un marco de apoyo a la toma de decisiones para las industrias de procesamiento por lotes
con el objetivo de respaldar la mejora continua en las tareas operativas y de gestión. Un aspecto importante de este marco es la
selección de proyectos de mejora. Los autores argumentan que para tomar la decisión correcta con respecto a diferentes
alternativas de mejora, es importante tener una visión completa de las relaciones causales entre los proyectos de mejora
candidatos y los criterios de desempeño de la empresa. Thawesaengskulthai y Tannock(2008) proponer una ayuda de decisión
multicriterio para ayudar a los gerentes a seleccionar proyectos de mejora. Este modelo utiliza técnicas de lluvia de ideas,
ponderación y calificación para evaluar los resultados esperados de las iniciativas de mejora. Nuestro artículo, en cambio, se basa
en relaciones cuantitativas entre los parámetros de la planta a mejorar y el CT esperado.
Hu y col. (2008) desarrollan un Sistema de Apoyo a la Decisión (DSS) que utiliza un enfoque de programación de metas para la selección de
mejoras de proyectos en empresas en las que los resultados esperados y el peso de cada proyecto son insumos determinados por discusión grupal y
lluvia de ideas. Nuestro enfoque puede respaldar tales DSS de criterios múltiples al permitir que los tomadores de decisiones exploren los efectos
potenciales de diferentes programas de mejora.
Barad y Dror (2008) proponer un mapa estratégico para identificar y priorizar las necesidades de mejora de una empresa bajo
el cual las necesidades de mejora a nivel corporativo se traducen en objetivos de mejora priorizados en niveles inferiores. Estos
objetivos luego se traducen en medidas de desempeño que deben mejorarse. Los autores señalan algunas limitaciones de este
modelo: (i) no implica ninguna actividad de mejora de forma explícita; y (ii) no considera interacciones eventuales entre elementos
del sistema que puedan afectar los resultados. El modelo desarrollado en este documento aborda ambas limitaciones.
3016 M. Godinho Filho y R. Uzsoy
Storck (2010) propone un marco que tiene como objetivo desarrollar conocimientos sobre las capacidades de fabricación que se
requieren para alcanzar objetivos estratégicos específicos y lo aplica a un caso de la industria del acero. Encuentra que la empresa, con el
fin de reducir los costos y aumentar la diversificación, debería invertir en la reducción de la configuración y la programación dinámica.
Aunque este marco proporciona trayectorias de mejora, no proporciona relaciones cuantitativas entre variables, que utiliza nuestro
modelo.
Mauri, Garretti y Gandelli (2010) proponer una metodología estructurada para la mejora de procesos en los sistemas de fabricación que puede
ayudar a identificar áreas a mejorar mediante la eliminación de restricciones. Las áreas seleccionadas pueden mejorarse mediante pequeñas mejoras
frecuentes o mediante acciones poco frecuentes como la inversión en nueva capacidad o cambios radicales en la tecnología. Nuestros resultados
sugieren que la primera opción es mejor para la reducción de la TC.
Otro cuerpo de literatura ha examinado los efectos del aprendizaje sobre el desempeño de los sistemas de manufactura. Ebert
(1976) consideraron incorporados los efectos del aprendizaje en un modelo de planificación agregada. Muchos investigadores (Liao1979; Reeves y
Sweigart1981; Hiller y Shapiro1986) suponen que para una capacidad máxima constante, el consumo de capacidad unitaria de un producto
disminuye exponencialmente con el tiempo a medida que se acumula la producción y se produce el aprendizaje. Chand y col.(1996) considere el
aprendizaje como un proceso de experimentación diseñada que utiliza la capacidad de producción para mejorar la capacidad del proceso. Formulan
el problema como un modelo de maximización de beneficios de tiempo continuo y proporcionan una ruta de tiempo óptima para las actividades de
producción y mejora de procesos. Multa(1986) propone una formulación alternativa donde el aprendizaje depende no solo de la producción
acumulativa sino también del nivel de actividad de control de calidad. Más implicaciones de este modelo se desarrollan en Fine(1988). Terwiesch y
Bohn(2001) abordar la misma compensación para los incrementos de productos de alta tecnología. Asumen aumentos de rendimiento mediante la
mejora del proceso y la velocidad de producción establecida por los fabricantes. La mejora del proceso es una función de la capacidad asignada a la
experimentación y tiene rendimientos decrecientes con la cantidad de experimentación en un período de producción. Las decisiones óptimas se
obtienen mediante un modelo de programación dinámica.
Kim y Uzsoy (2008) considere un modelo simple de planificación de producción de un solo producto y una sola etapa. La capacidad del
sistema de producción se refleja en un CF no lineal que captura la relación no lineal entre la carga de trabajo y el CT, y puede mejorarse
mediante el esfuerzo de ingeniería. Sin embargo, el esfuerzo de ingeniería consume capacidad de producción y, por lo tanto, reduce la
producción a corto plazo. Llevan a cabo experimentos numéricos para mostrar los efectos de diferentes niveles de trabajo de ingeniería y
precio de venta en el despliegue óptimo del esfuerzo de ingeniería a lo largo del tiempo, y derivan expresiones analíticas que relacionan el
precio dual de la capacidad con la forma del CF, el precio de venta del producto. y la duración del ciclo de vida del producto. En un artículo
posterior (Kim y Uzsoy2013), extienden estas ideas a un flujo de producción reentrante en el que muchos visitan un centro de trabajo varias
veces en su ruta.
En la siguiente sección, describimos nuestro enfoque de modelado y su motivación. Luego discutimos las diferentes políticas
de CI examinadas, nuestro diseño experimental y las conclusiones de cada experimento.
2.2 Dinámica de sistemas y física de fábrica

El enfoque básico de SD es definir un conjunto de variables de estado cuyos valores describen el estado de un sistema en un momento
dado. A continuación, se desarrolla un conjunto de ecuaciones que describen la evolución de estas variables de estado a lo largo del
tiempo, en función de cada una de ellas y de otras variables y parámetros auxiliares, y se utiliza para simular el comportamiento del
sistema a partir de un conjunto predefinido de condiciones iniciales. La metodología matemática subyacente al enfoque es la de
representar un sistema dinámico como un sistema de ecuaciones diferenciales simultáneas que se resuelven numéricamente. Los libros de
Sterman ofrecen extensos tutoriales sobre modelos SD y sus aplicaciones.(2000) y Forrester (1962). La SD no se ha utilizado ampliamente
para modelar sistemas de fabricación; Baines y Harrison (1999) y Lin et al. (1998) tenga en cuenta que la simulación de sistemas de
fabricación se realiza habitualmente mediante la simulación de eventos discretos, y que el modelado del sistema de fabricación representa
una oportunidad perdida para SD.
La perspectiva de la Física de Fábrica de Hopp y Spearman (2008) utiliza modelos de cola para proporcionar una representación concisa
de las relaciones entre el CT esperado y una variedad de parámetros del sistema, como la utilización, la media y la variación del tiempo de
reparación, y la media y la variación del tiempo de configuración en el tiempo de procesamiento efectivo en cada recurso. Usan la
aproximación de Kingman (Hopp y Spearman2008) para el CT de un búfer infinito G / G /1 cola, que da una expresión de CT promedio en
función del tiempo de procesamiento efectivo medio, la variabilidad de los procesos de llegada y servicio y la utilización de recursos. La
variabilidad de los procesos de llegada y servicio, a su vez, está vinculada a otros parámetros del sistema, como la media y la variación de
los tiempos de preparación, procesamiento, falla y reparación. Los artículos recientes que utilizan el enfoque Factory Physics incluyen Li et
al.(2005) y nuestro trabajo anterior (Godinho Filho y Uzsoy 2011, 2013). En la siguiente sección se ofrece una descripción detallada de este
enfoque. Hopp, Iravani y Shou (2007) también utilizan estos conceptos para estructurar la relación entre diferentes parámetros del taller en
forma de árbol de diagnóstico.
Observamos que el uso de simulaciones SD en este documento no es esencial para el problema en cuestión. Siguiendo a varios otros autores
mencionados anteriormente, podríamos haber utilizado un modelo de simulación de eventos discretos, o incluso una red de colas.
modelo, para construir las curvas operativas que forman la base de nuestra discusión. Sin embargo, la capacidad de los modelos SD para
implementar una estrategia de mejora de forma dinámica a lo largo del tiempo, combinada con sus modestos requisitos de datos y suposiciones
mínimas, los convierte en una alternativa atractiva. Además, su formulación de relaciones explícitas basadas en los resultados de la cola nos permite
obtener información e intuición de los resultados que a menudo es más difícil de obtener de un modelo de simulación de eventos discretos más
complejo.
3. Modelización y análisis
El uso de los conceptos de Factory Physics en un modelo SD puede parecer, a primera vista, algo contradictorio. El enfoque de Factory
Physics como se presenta en los capítulos 8 y 9 de Hopp y Spearman(2008) se basa en un análisis de estado estable a largo plazo del
sistema de producción utilizando los métodos de análisis de colas. La SD, por otro lado, generalmente enfatiza el comportamiento
dinámico de sistemas complejos que no están en estado estacionario. Sin embargo, para nuestro objetivo en este documento, las
ecuaciones de Factory Physics proporcionan un modelo matemático que vincula la media y la varianza de los parámetros del sistema, como
los tiempos de preparación y reparación, con la medida de rendimiento, como el CT esperado y la utilización. Para utilizar estas ecuaciones
en un modelo SD, asumimos que los incrementos de tiempo que forman la base del modelo SD son bastante largos, del orden de varios
meses. Esta suposición es razonable en nuestro contexto, ya que generalmente lleva algún tiempo identificar oportunidades de mejora,
implementar los cambios necesarios y obtener resultados. Por lo tanto, asumimos que dentro de cada período, las colas que representan el
sistema de fabricación están en estado estable, lo que nos permite utilizar las ecuaciones de Factory Physics para describir el
comportamiento del sistema. La suposición de períodos largos también nos permite descuidar el comportamiento transitorio en los límites
entre períodos.
Nuestro enfoque básico, entonces, es modelar el desempeño del sistema en un horizonte de tiempo extendido de varios años
utilizando incrementos de tiempo del orden de varios meses. Las políticas de mejora continua se modelan como una reducción en la media
o varianza de los parámetros estudiados (variabilidad de llegada; variabilidad del proceso; tasa de defectos; tiempo hasta la falla; tiempo de
reparación; y tiempo de preparación) en cada período. En cada período, los nuevos valores de los parámetros se calculan en base a las
mejoras implementadas en el período anterior, y las ecuaciones de Factory Physics se utilizan para calcular los efectos de estas mejoras en
el CT medio. Asumimos un modelo completamente determinista de los efectos de la mejora continua en la TC promedio, siguiendo la
sugerencia de Sterman de que un enfoque determinista es generalmente suficiente para capturar las principales relaciones de interés. Los
efectos de la aleatoriedad en la operación del sistema de producción son capturados por las variaciones utilizadas en las ecuaciones de
Física de Fábrica, y nuestra principal medida de desempeño es el CT esperado. La incertidumbre en el proceso de mejora continua se
examina en Godinho Filho y Uzsoy(2013) para un sistema de un solo servidor. También hemos utilizado este enfoque para estudiar el
impacto de la mejora continua en los tamaños de lote y CT en sistemas de producción de una sola etapa con tiempos de preparación
significativos (Godinho Filho y Uzsoy2008, 2011).
El trabajo de este artículo se centra en el análisis de sistemas de producción con búfer infinitos, donde la cantidad de trabajo
en proceso que se puede acumular entre estaciones no está limitada. En particular, no surge el fenómeno de bloqueo que surge
cuando el trabajo terminado en una estación no se puede mover a una estación aguas abajo, deteniendo el procesamiento hasta
que el trabajo se pueda mover. En los libros de Buzacott y Shanthikumar se ofrece un análisis exhaustivo de las líneas de
producción con amortiguadores finitos, donde el bloqueo es un determinante importante del rendimiento del sistema.(1993)
Gershwin (1994); y Li y Meerkov(2009). Sin embargo, en muchos entornos de producción, los tamaños de búfer no restringen el
funcionamiento del sistema, lo que permite que estos sistemas se traten como redes de colas de búfer infinito, y nos centraremos
en estos sistemas en este artículo. Biller y Meerkov dan algunos ejemplos recientes de sistemas analizados utilizando enfoques de
búfer infinito.(2013) y Da Silva y Morabito (2009). La extensión de nuestro enfoque a sistemas con búferes finitos queda para
futuras investigaciones.
3.1 Modelo de un solo recurso

Construimos un modelo SD de un sistema de fabricación de múltiples etapas que consta de varias estaciones de trabajo en serie, lo que
representa un taller de flujo con capacidad de búfer infinita entre las máquinas. El bloque de construcción básico es, por tanto, el modelo
de un recurso de producción individual representado como unG / G /1 cola desarrollada en nuestro trabajo anterior (Godinho Filho y Uzsoy
2011, 2013). El modelo asume una máquina cuyo tiempo de procesamiento natural, el tiempo requerido para procesar un trabajo sin
ningún detractor que no sea la variabilidad natural del proceso de producción, es significativo.t0 y desviación estándar σ0. El tiempo medio
efectivo para procesar una parte buena, que es el tiempo de procesamiento natural modificado por el impacto de interrupciones, como
configuraciones y fallas de la máquina, se denota portmi, y su coeficiente de variación (CV) por Cmi. El trabajo llega al puesto de trabajo en
lotes que constan deL partes en promedio, y el tiempo de llegada entre lotes tiene un promedio ta y coeficiente de variación Ca. Por tanto, la
tasa media de llegada de lotes es λ =1 / ta. La demanda anual media es D partes / año.
Debido a que el sistema debe estar en estado estable, la tasa media de llegada al sistema debe ser igual a la tasa media de demanda, lo que implica t
a= LH / D, dónde H denota el número total de horas trabajadas en un año. El tiempo medio para procesarL entonces las partes vienen dadas por
Tenientemi y la utilización media de la máquina por
Tenientemi Dtmi :
tu ¼ ¼ (1)
ta H
Para el G / G /1 cola, no existe una expresión analítica exacta para el tiempo promedio en el sistema, pero la aproximación
DC
aþ
- tu -
2 C2miÞ
Connecticut ¼ mi þ Lt;mi
Teniente (2)
2 1 - tu
dónde LTmi es el tiempo medio para procesar un lote, recomendado por Hopp y Spearman. Dado CT, el nivel medio de trabajo en
curso (WIP) viene dado por la Ley de Little como
WIP ¼ k - CT - L: (3)
El tiempo efectivo para procesar mucho se construye a partir del tiempo de procesamiento natural agregando los efectos de interrupciones
preventivas, en nuestro caso fallas de máquinas; cortes no preventivos, en nuestro caso configuraciones; y finalmente, defectuoso
elementos. Primero, la mediat F mi y varianza rF mi del tiempo de procesamiento efectivo considerando que solo se calculan las fallas de la máquina
lated. Siguiendo a Hopp y Spearman, asumimos que el tiempo entre fallas se distribuye exponencialmente con la media
metroF y que el tiempo de reparar ha significado metror y varianza σ2 r. La disponibilidad media del servidor viene dada por
A = mF/ (metroF + mr), cediendo t F mi = t0/A, y
r2 D r þ r2 r Þð1 - AÞt0 :
metro2
Drmi
F Þ2 ¼ 0 þ (4)
A2 Soyr
Luego se incorporan los efectos de las configuraciones, asumiendo, como en Hopp y Spearman, que una configuración es igualmente probable después de
que se procesa cualquier parte, con el número esperado de partes entre configuraciones igual al tamaño de lote promedio especificado. L. los
el tiempo medio de preparación se denota por ts y su varianza por σ 2 s. El tiempo de procesamiento efectivo mediot omi con ambos no pre
las interrupciones emptivas y preventivas se obtienen como t omi = F + ts/ L y su varianza por
t mi
r2 L - 1 t2
DrmioÞ2 ¼ ðrF miÞ2 þ sþ s: (5)
LL 2
Finalmente, incorporando el efecto de los artículos defectuosos, obtenemos el tiempo medio efectivo de procesamiento como tmi = to/ (1−pag), dónde
mipag denota la proporción media de artículos defectuosos. La variación del tiempo de procesamiento efectivo viene dada por
DroÞ pagDto
DrmioÞ2 ¼ þ : (6)
mi 2
mi Þ2
1 - pag D1 - pagÞ2
Figura 1 ilustra estas relaciones en forma de un diagrama de bucle causal.

Para modelar el impacto de diferentes políticas de mejora en un parámetro del sistema dado a lo largo del tiempo, usamos un modelo
exponencial de mejora donde el valor del parámetro A siendo mejorado en el momento t es dado por
ADtÞ ¼ GRAMO þ ðA0 - GRAMOÞmi-t =s (7)

dónde A0 denota el valor inicial del parámetro y GRAMO el nivel mínimo al que se puede reducir. Tenga en cuenta queA(0) = A0, y A
ð1Þ ¼ GRAMO. Por tanto, cuanto menor sea el valor de GRAMO, la menor mejora es posible en el parámetro dado. En nuestros
experimentos, expresaremos mejoras como un porcentaje deA0. Por lo tanto, una mejora del 50% en un parámetro dadoA
corresponde a un valor de G = 0,5A0. El parámetro τ controla la cantidad de tiempo necesario para que se produzca la mejora; por
tanto, cuanto mayor sea el valor de τ, más lento será el ritmo de mejora en el parámetro en cuestión.
Figura 2 muestra la estructura SD utilizada para modelar las mejoras en el tiempo medio de configuración. Esta estructura está vinculada a la
variabletiempo de preparación con mejora En figura 1. Se utilizan estructuras similares para modelar las mejoras en los otros parámetros estudiados
en este artículo. Por lo tanto, el modelo SD utilizado para representar una sola máquina se define en la Figura1 y siete estructuras utilizadas para
representar la mejora a lo largo del tiempo, como se muestra en la Figura 2.
Este modelo SD de un sistema de producción de una sola etapa ha sido probado ampliamente en nuestro trabajo anterior (Godinho
Filho y Uzsoy 2011, 2013) que examina los efectos de los programas de mejora continua en el TC esperado de un sistema de una sola etapa.
En este documento, usamos este modelo como un bloque de construcción para un modelo de un entorno de taller de flujo.
3.2 El entorno de flow-shop

El entorno de flow-shop en el que se centra este artículo tiene cinco estaciones de trabajo en serie, numeradas del 1, más cercano a la
materia prima, al 5, que proporciona el producto terminado. Esta configuración es lo suficientemente compleja como para proporcionar
una visión interesante del efecto de las políticas de mejora sin hacer que el diseño experimental sea excesivamente grande. El sistema se
modela utilizando cinco estructuras que representan el entorno de una sola estación de trabajo, como se describe en la sección anterior
(Figura1 y siete estructuras similares a la de la Figura 2). Los tiempos de llegada y procesamiento son generales, por lo que cada etapa del
sistema se modela como unG / G /1 cola utilizando el modelo descrito en la sección anterior.
Número de piezas en
tasa de llegada cola rendimiento
ANUAL TIEMPO TRABAJADO
DEMANDA DURANTE EL AÑO

tasa de producción
Utilización
Tamaño del lote

Coeficiente de variación para un Media general de

tiempo de procesamiento efectivo procesamiento efectivo
tiempo
Configurar hora con

mejora Coeficiente de llegada de
variación con
Media del tiempo de procesamiento mejora
efectivo con no preventivos y
cortes preventivos Total WIP
Varianza del tiempo de preparación

Tiempo de cola
con mejora
Varianza general de
tiempo de procesamiento efectivo NATURAL
Varianza de procesamiento efectivo
TIEMPO DE PROCESAMIENTO
tiempo con no preventivo y
cortes preventivos
Tiempo del ciclo
Varianza del procesamiento efectivo

Varianza de natural con interrupción preventiva
tiempo de proceso con (fallas de la máquina)
Tasa de defectos con
mejora
mejora
Disponibilidad
Tiempo medio hasta el
Varianza del tiempo de reparación

fracaso con mejora
con mejora Tiempo medio de reparación con
mejora
Figura 1. Diagrama de bucle causal del modelo SD para un solo recurso.
Figura 2. Estructura SD de CI en tiempo de preparación.

La representación de múltiples estaciones de trabajo organizadas como un taller de flujo requiere que modelemos el flujo de
material entre estaciones. El material llega a la estación de trabajo 1 en lotes que constan deL partes en promedio. El tiempo de
llegada entre lotes ha sidota y coeficiente de variación Ca. La tasa media de llegada de los lotes λ es la inversa del tiempo medio
entre llegadas, lo que da λ =1 / ta = D / LH. Sin embargo, para los centros de trabajo 2 a 5, el proceso de llegada al centro de trabajo
viene dado por el proceso de salida de la estación inmediata aguas arriba. De nuevo, siguiendo a Hopp y Spearman(2008), el CVCD
DIÞ del tiempo entre salidas en la estación I es dado por
qffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
CDDIÞ ¼ tuDIÞ2C2 miDIÞ þ ð1 - tuDIÞ2ÞC2 aDIÞ (8)

dónde u (yo) denota la utilización de la máquina yo, cmi(I) el CV del tiempo de procesamiento efectivo de la estación de trabajo I y Ca(I)el CV
del tiempo de llegada entre lotes de estaciones de trabajo I. Debido a nuestro supuesto de estado estable dentro de cada período de
tiempo, la tasa media de llegada a la estación de trabajo yo + 1 es igual a la tasa media de salida de la estación de trabajo anterior, que a su
vez es igual a la tasa media de llegada a la estación de trabajo 1 por la conservación del flujo en todo el sistema, lo que da
CaDI þ 1Þ ¼ CDDIÞ (9)

En la siguiente sección, describimos el entorno experimental utilizado para nuestras simulaciones.
4. Diseño experimental
En este artículo, evaluamos los efectos de las mejoras en seis parámetros diferentes del taller: (i) variabilidad de llegada; (ii) la variabilidad del proceso, definida
como la variabilidad en el tiempo natural del proceso, el tiempo de reparación y el tiempo de preparación; (iii) tasa media de defectos;
(iv) tiempo medio para fallar; (v) tiempo medio de reparación; y vi) tiempo medio de preparación. La variabilidad de un parámetro está representada
por su CV. La literatura sugiere una serie de métodos que pueden ayudar a reducir la variabilidad de la llegada y el proceso, como se resume en la
Tabla1.
Se supone que el período de tiempo básico en el modelo SD es de tres meses o 12 semanas. Este es un incremento de tiempo
razonable para nuestros propósitos, ya que las mejoras pueden requerir varios meses para su identificación e implementación.
Simulamos el funcionamiento del sistema durante un período de 10 años o 40 trimestres. Como nuestro objetivo es estudiar los
efectos de la CI en los parámetros del sistema, la demanda anualD y el tamaño del lote L se mantienen constantes. El tamaño del
lote no se redujo a medida que disminuyó el tiempo de configuración, lo que resultó en estimaciones conservadoras de la mejora
que se podría obtener al reducir los tiempos de configuración. En Godinho Filho y Uzsoy (2011). La constante de tiempo τ del
proceso de mejora se elige para proporcionar una vida media para el decaimiento exponencial de un año. Los valores de los
parámetros utilizados para el sistema antes de que se produzcan mejoras se resumen en la Tabla2. También variamos la demanda
anual (10, 20, 30 y 50% por debajo y 10% y 20% por encima del caso base, lo que arroja valores de 5760, 8064, 9216, 10,368, 12,672
y 13,824 partes por año, respectivamente) para examinar la efecto del nivel de utilización en CT. Estos niveles de demanda y sus
correspondientes niveles de utilización sin ninguna mejora (Caso i) se muestran en la Tabla3. Se consideraron los siguientes
programas de mejora:
(1) Sin mejoría;

(2) 50% de mejora en la variabilidad del proceso (variabilidad natural del proceso, variabilidad del tiempo de reparación y variabilidad del tiempo de
configuración simultáneamente);
Tabla 1. Ejemplos de metodologías / herramientas utilizadas para la mejora del piso de producción.
Variable de planta Ejemplos de metodologías / herramientas utilizadas para mejorar dichas variables
(i) variabilidad de Disminución de la variabilidad del proceso en las estaciones aguas arriba; programación y control de la planta para suavizar el flujo de
llegada (CV) materiales; eliminar las liberaciones de lotes; e instalación de un sistema de control de producción pull (Hopp y Spearman 2008) Six sigma,
(ii) variabilidad del capacitación de operadores, estandarización de prácticas de trabajo y automatización
proceso (CV)
(iii) tasa media de defectos SPC, Six Sigma y TQM (Nakajima 1988) TPM
(iv) tiempo medio para (Nakajima 1988)
fallar
(v) tiempo medio de reparación TPM (Nakajima 1988)
(vi) tiempo medio de preparación SMED (Shingo 1986)
Tabla 2. Valores de los parámetros utilizados en experimentos.
Parámetro Notación Valor
Demanda anual D 11,520 piezas / año

Tamaño del lote L 200 piezas
Horas de funcionamiento por año Media del H 1920 h
tiempo de procesamiento natural t0 6 min
Desviación estándar del tiempo de procesamiento natural σ0 6 min
Coeficiente de variación de los tiempos entre llegadas Ca 1
Tiempo medio entre fallas (se supone distribuido exponencialmente) Tiempo metroF 9600 min
medio de reparación (se supone distribuido exponencialmente) Tiempo medio de metror 480 min
preparación (distribuido exponencialmente) ts 180 min
Tasa media de defectos pag 0,05
Tabla 3. Nivel de demanda y utilización correspondiente.

Demanda (partes / año) Utilización antes de mejoras (%)
5760 37,89
8064 53.05
9216 60,63
10,368 68,21
11,520 75,78
12,672 83,36
13,824 90,94
(3) 50% de mejora en la variabilidad de la llegada. Esto se incluye en los experimentos de una sola etapa porque proporciona una
idea de cómo el medio ambiente se verá afectado por las mejoras en la variabilidad del proceso, ya que por la ecuación
(8) variabilidad del proceso en la estación I afecta la variabilidad de llegada a la estación yo + 1.
(4) reducción del 50% en la tasa media de defectos;
(5) 50% de aumento en el tiempo medio entre fallas;
(6) 50% de mejora en el tiempo medio de reparación;
(7) 50% de mejora en el tiempo medio de preparación.
La simulación se realizó utilizando Vensim PLE Más (Ventana Systems Inc) software en una PC con Intel Centrino Duo (1,6
GHz) procesador con 1024 MB de RAM. Primero examinamos el desempeño de las diferentes estrategias de mejora para una sola
estación de trabajo para ilustrar los efectos de las mejoras en cada parámetro individualmente. Estos resultados muestran los
efectos de los programas de mejora en una sola estación, lo que nos permite desarrollar una intuición sobre cómo afectará cada
mejora individual al rendimiento. Luego examinamos sus efectos en el entorno de flow-shop.
5. Resultados experimentales
En este artículo, utilizamos curvas operativas, que muestran el CT esperado en función de la utilización promedio de recursos, para
presentar los resultados de nuestros experimentos de simulación. Varios estudios han propuesto curvas que describen relaciones
equivalentes entre otras variables; plazo de entrega y trabajo en proceso (Mayer y Nusswald2001), nivel medio de inventario y retraso
medio en la entrega, o nivel de servicio (Lutz et al. 2003). En este artículo, usamos la forma de utilización CT de la curva operativa.
Varios estudios que utilizan curvas operativas están relacionados con la fabricación de semiconductores. El ejemplo más antiguo
parece ser obra de Dayhoff y Atherton.(1986a, 1986b) que presentan un concepto similar bajo el nombre de análisis de firmas. Schoemig
(1999) utilizaron curvas operativas para ilustrar la influencia corruptora de la variabilidad en una instalación de fabricación de obleas
semiconductoras multiproducto de tamaño mediano. Domaschke y col.(1998) utilizó curvas operativas para evaluar los beneficios de las
estrategias de reducción de CT en la fabricación de semiconductores. Nyhuis(2007) presentó algunas aplicaciones prácticas de las curvas
operativas. Otras obras que utilizan curvas operativas son Ignizio(2009) y Weber y Fayed (2010). Estos estudios revelan que reducir la
variabilidad mejora el desempeño de la fábrica, lo que lleva a un cambio a la derecha en la curva de operación, pero ninguno examina los
efectos de medios específicos para reducir la variabilidad en esta curva, lo que motiva el trabajo en este artículo.
5.1 Experimentos con el entorno de una sola estación de trabajo

Para el entorno de una sola estación de trabajo, se ejecutaron simulaciones que representan los casos (i) a (vii) para evaluar los efectos de
los siete programas de mejora en la TC en los siete niveles de demanda que se muestran en la Tabla 3. El número total de simulaciones
ejecutadas fue 49 (siete casos × siete niveles de utilización); recuerde que todas las simulaciones son deterministas, por lo que no son
necesarias réplicas. El tiempo empleado en cada ejecución fue de 0,5 s en promedio. A lo largo del resto del documento, el caso de no
mejora (i) se denominará el caso base, por brevedad.
Figura 3 muestra el CT medio de todas las mejoras del 50% en el horizonte temporal para una demanda de 11.520 piezas, para ilustrar
el comportamiento de los programas de mejora en un nivel de demanda determinado. Se obtienen resultados similares en los otros niveles
de demanda. Las curvas de operación se trazan utilizando los valores de CT obtenidos después de que la curva se estabiliza, comenzando
con los valores de utilización en la Tabla2. Las siete curvas operativas construidas se muestran en la Figura4.
Como se esperaba, las mejoras en el tiempo medio hasta la falla, el tiempo medio de reparación, el tiempo medio de configuración y la variabilidad del
proceso desplazan la curva operativa hacia abajo y hacia la derecha, reduciendo el CT en relación con el caso base para el mismo nivel de utilización. La mejora
en la tasa media de defectos y el CV de llegada muestra beneficio solo en niveles de utilización superiores al 85%. Probablemente esto se deba a que la tasa de
defectos media inicial de 0,05 es tan baja que la mejora de este parámetro no afecta a la TC, excepto con una utilización muy alta.
El mejor rendimiento (CT más corto para una utilización determinada) se obtiene mediante una mejora del 50% en la variabilidad del proceso,
seguido del tiempo de configuración, el tiempo de reparación y el tiempo hasta la falla. Los tres últimos ofrecen casi el mismo rendimiento. Las
mejoras en la variabilidad de la llegada y la tasa media de defectos tienen el menor efecto. Sin embargo, con una alta utilización, la situación cambia:
en esta situación, el mejor programa es la mejora en el tiempo de preparación, seguida de mejoras en la variabilidad del proceso, el tiempo medio de
reparación, el tiempo medio hasta la falla y la calidad. Esto se debe a que las mejoras en la variabilidad no afectan la utilización promedio, y cuando el
sistema tiene una alta utilización, incluso pequeñas mejoras en la utilización conducen a grandes reducciones en CT, según la Ecuación (3).
Ninguno de los programas de mejora tiene un impacto significativo en niveles de utilización por debajo del 60%, mientras que las diferencias con
respecto a la curva base se vuelven marcadas con una alta utilización. A altos niveles de utilización, el CT promedio se vuelve muy sensible al nivel de
utilización debido a la no linealidad del término de utilización en (3); Los programas de mejora que reducen el tiempo medio de procesamiento
efectivo y, por lo tanto, la utilización, tienen beneficios significativos para la reducción de CT. El efecto de la variabilidad del procesamiento es
amplificar el efecto de la utilización, según (3); por lo tanto, en todos los niveles de utilización, una menor variabilidad de procesamiento da como
resultado un CT reducido, aunque el nivel de utilización alcanzado es algo más alto que el de otros programas de mejora.
Figura 4 sugiere que los programas de mejora logran la reducción de la TC mediante dos mecanismos diferentes. La mejora del tiempo medio de
preparación, el tiempo medio entre fallos, el tiempo medio de reparación y la tasa media de defectos reduce el tiempo medio de procesamiento
efectivo y, por tanto, la utilización, para un nivel de demanda determinado. Estas variables también afectan el proceso
Figura 3. Beneficio de CT de mejoras del 50% para una demanda de 11,520 piezas en una sola máquina.
Figura 4. Efecto de todas las mejoras del 50% en la curva de funcionamiento de una sola estación de trabajo.
variabilidad y, por lo tanto, su efecto sobre la TC se amplifica según (3). La mejora en la variabilidad del proceso por sí sola no puede reducir
el nivel de utilización, pero mejora la CT a través de su efecto multiplicativo en (3), desplazando la curva operativa hacia abajo para un nivel
de utilización dado. Este efecto se puede observar en la Figura6 observando que para cada grupo de puntos en la curva operativa
correspondiente a un nivel de demanda dado, el punto correspondiente a la reducción del tiempo de configuración está más a la izquierda,
lo que representa la mayor reducción en la utilización. El punto correspondiente a la variabilidad mejorada del proceso tiende a estar a la
derecha del grupo, lo que indica un nivel de utilización más alto, pero muy por debajo de los demás en la dirección vertical. Esto sugiere
que para el sistema en estudio, la mejora de la variabilidad del proceso tiene el mejor potencial de mejoras en CT. Dado que en el taller de
flujo, la variabilidad del proceso en una estación afecta la variabilidad de llegada en las estaciones aguas abajo según la Ecuación (10), esto
sugiere que las mejoras en la variabilidad del procesamiento deberían funcionar bien en el taller de flujo. Nuestros experimentos en la
siguiente sección muestran que este es realmente el caso.
5.2 Experimentos para el entorno de flow-shop equilibrado

Usamos un procedimiento similar al de la Sección 5.1 para construir las curvas de operación para el ambiente del taller de flujo cuando
cada programa de mejora se implementa en todas las estaciones simultáneamente. La mejora en la variabilidad de la llegada no fue
Figura 5. Efectos de todas las mejoras del 50% en la curva operativa (entorno de flujo-taller).
considerado en este experimento, ya que la variabilidad de las llegadas entre las estaciones está determinada por la variabilidad del procesamiento
en las estaciones aguas arriba según la Ecuación (9). El tiempo empleado en cada ejecución fue, en promedio, 0,83 s. Los resultados se ilustran en la
Figura5.
Al igual que en los experimentos de una sola estación de trabajo, las mejoras en el tiempo medio hasta la falla, el tiempo de reparación, el tiempo de
configuración y la variabilidad del proceso desplazan la curva de operación hacia abajo y hacia la derecha, reduciendo el CT para el mismo nivel de utilización. La
mejora en la tasa media de defectos tuvo poco impacto en la curva operativa, mostrando beneficios solo con una alta utilización (por encima del 85%). Al igual
que en el entorno de una sola estación de trabajo, ninguno de los programas de mejora fue particularmente eficaz cuando los niveles de utilización eran
inferiores al 60% aproximadamente.
El mejor rendimiento (CT más corto para la misma utilización) se obtiene mediante la mejora en la variabilidad del proceso, seguida del tiempo
medio de preparación, el tiempo medio de reparación, el tiempo medio hasta la falla y, finalmente, la tasa media de defectos, que tuvo el menor
efecto. La única excepción, como en el entorno de una sola estación de trabajo, fue la alta utilización; en esta situación, el mejor programa fue la
mejora en el tiempo de preparación, seguido de la variabilidad del proceso, la variabilidad de la llegada, el tiempo de reparación, el tiempo hasta la
falla y la tasa media de defectos.
Excepto en niveles de demanda muy altos, donde la reducción en el tiempo de configuración es esencial para mantener la utilización por debajo
del 100%, el gran rendimiento de reducir la variabilidad del procesamiento es sorprendente. Esto se debe a dos efectos aditivos: reducción de CT en
cada estación y reducción de CV de llegada a estaciones aguas abajo. Otra forma de explicar esto es que en una sola estación, según la Ecuación (3),
el CT se ve afectado tanto por la variabilidad del flujoCa y variabilidad de procesamiento Cmi. En los sistemas de múltiples etapas, sin embargo, la
variabilidad del procesamiento afecta la variabilidad del flujo entre las estaciones según la Ecuación (9) y se propaga a través de todas las estaciones
aguas abajo. Una consecuencia interesante de esta idea es que cuando las mejoras en una estación de cuello de botella son costosas o imposibles, la
reducción de la variabilidad del procesamiento en las estaciones aguas arriba del cuello de botella puede tener beneficios significativos. También
observamos este efecto en nuestros experimentos con líneas desequilibradas que se presentan en la siguiente sección.
La mejora en el tiempo medio de preparación fue el único programa de mejora capaz de satisfacer la demanda de 13.824 piezas sin
superar el 100% de utilización, con un 93,79% de utilización y 10.147 h de CT. Claramente, los programas de mejora que reducen la
utilización se vuelven importantes a altos niveles de utilización; En el sistema en estudio, la reducción del tiempo de instalación tiene el
mayor efecto sobre la utilización, pero esto depende claramente de la situación específica estudiada.
5.3 Una gran mejora en una estación de trabajo frente a pequeñas mejoras en todas las estaciones de trabajo en un taller de flujo equilibrado
En esta sección, comparamos, para los cuatro mejores programas encontrados en las últimas secciones (variabilidad de procesamiento, tiempo medio de
preparación, tiempo medio de reparación y tiempo medio entre fallas), dos políticas de mejora para una línea equilibrada con cinco estaciones de trabajo:
mejorar el parámetro especificado en un 50% en una estación de trabajo

mejorando el parámetro especificado en un 10% en todas las estaciones de trabajo al mismo tiempo.
Para construir las curvas operativas de estas pólizas se establecieron cuatro niveles de demanda (8064, 10,368, 11,520 y 12,672 piezas por año),
con el objetivo de simular diferentes niveles de utilización. Cada uno de estos niveles representa los puntos de las curvas operativas que se muestran
en las Figuras.6–9. Estas cifras comparan una mejora del 50% en un parámetro en la estación de trabajo 1 con una mejora del 10% en todas las
estaciones de trabajo al mismo tiempo. Los resultados mostrados en figuras6 mediante 9 son similares para una mejora del 50% en cualquiera de las
otras cuatro estaciones de trabajo.
Cuando la utilización es baja (por debajo de aproximadamente el 85%), casi no hay diferencia entre la mejora del 50% en una estación de trabajo
y la mejora del 10% en todas las estaciones de trabajo para cualquiera de los cuatro programas de mejora estudiados. A medida que la utilización
aumenta por encima del 90%, la mejora del 10% en todas las estaciones de trabajo supera la mejora del 50% en una estación de trabajo en cuanto al
tiempo medio de configuración, el tiempo medio de reparación y el tiempo medio entre fallos. Esto es intuitivo; Una vez que se ha mejorado una sola
estación de trabajo más allá de cierto punto, las estaciones que aún no se han mejorado restringirán el rendimiento de la línea en general. Sin
embargo, las mejoras en todas las estaciones dan como resultado simultáneamente a lo largo del tiempo una línea aproximadamente equilibrada, lo
que permite mejorar el rendimiento de la línea en su conjunto.
Las mejoras en la variabilidad del proceso producen resultados cualitativamente diferentes de los de los otros tres programas de mejora. Para
mejorar la variabilidad del proceso, la diferencia entre una mejora del 10% en todas las estaciones de trabajo y una mejora del 50% en una estación
de trabajo determinada es muy pequeña. Esto se debe a que mejorar la variabilidad del proceso en una estación determinada mejora el CT en las
estaciones aguas abajo al reducir la variabilidad del proceso de salida de esa estación y, por lo tanto, la variabilidad de llegada a las estaciones aguas
abajo, especialmente en alta utilización. Por lo tanto, la mejora simultánea de la variabilidad del procesamiento en varias estaciones tiene un efecto
combinado, lo que hace que las pequeñas mejoras en varias estaciones sean desproporcionadamente beneficiosas. Sin embargo, las reducciones en
la variabilidad del procesamiento no reducen la utilización promedio, limitando la reducción de la TC media que se puede obtener con una alta
utilización. A medida que la utilización se acerca al 100%, el efecto lineal de la variabilidad del proceso está dominado por el efecto no lineal del
aumento de la utilización.
Figura 6. Comparación entre la mejora de la variabilidad del proceso del 50% en la estación de trabajo 1 frente a la mejora del 10% en todas las estaciones de trabajo.
Figura 7. Comparación entre la mejora del 50% del tiempo de configuración en la estación de trabajo 1 frente a cuatro opciones de mejora del 10% en todas las estaciones de
trabajo.
Los experimentos de esta sección se han centrado en mejorar una línea equilibrada. En la siguiente sección, examinamos los efectos de
diferentes programas de mejora en una línea desequilibrada con una estación de cuello de botella bien definida. Esto nos permite evaluar
los efectos de la ubicación del cuello de botella en el desempeño de los programas de mejora.
5.4 Experimentos en un entorno de flow-shop desequilibrado

En este experimento, comparamos una mejora del 50% en el tiempo de configuración en el cuello de botella y una mejora del 10% en el tiempo de configuración
en todas las estaciones de trabajo. Como en los otros experimentos, variamos la utilización por medio de la demanda anual cambiante. El cuello de botella se
crea aumentando el tiempo medio de procesamiento natural.t0 de la estación de cuello de botella a 7 minutos, en comparación con 6 minutos en las otras
estaciones de trabajo. Figura10 ilustra las curvas operativas obtenidas con el cuello de botella en la Estación 4. Para niveles de utilización bajos, ambas políticas
tienen casi los mismos resultados; a medida que la utilización aumenta por encima del 80%, invertir en el cuello de botella se convierte en la mejor opción.
Cifras 11 y 12 presentar los resultados de ambas políticas para el cuello de botella situado en las estaciones de trabajo 1 y 5,
respectivamente. En alta utilización con el cuello de botella al final de la línea, lo más preferible es mejorar el cuello de botella
Figura 8. Comparación entre la mejora del 50% del tiempo de reparación en la estación de trabajo 1 frente a cuatro opciones de mejora del 10% en todas las estaciones de
trabajo.
Figura 9. Comparación entre la mejora del 50% del tiempo entre fallas en la estación de trabajo 1 frente a cuatro opciones de mejora del 10% en todas las
estaciones de trabajo.
opción. La comparación de las dos figuras también muestra que, con respecto a CT, es preferible tener el cuello de botella
al inicio de la línea que al final. Cuando el cuello de botella está al principio de la línea, hay poca diferencia entre las dos
políticas de mejora. Esto es nuevamente, después de reflexionar, intuitivo; un cuello de botella al final de la línea se verá
afectado por toda la variabilidad creada por las estaciones precedentes, especialmente en alta utilización, según la
Ecuación (8). Una estación de cuello de botella al comienzo de la línea solo se verá afectada por la variabilidad en el proceso
de llegada externa y su propia variabilidad de procesamiento. Como se observó anteriormente, las mejoras modestas en
varias estaciones proporcionan una mejora de la TC comparable a la obtenida de una gran mejora en el cuello de botella.
Cuando invertimos en una mejora del 50% en el tiempo medio de configuración en el cuello de botella, el efecto de la ubicación del cuello de botella es
insignificante. Sin embargo, cuando mejoramos todas las estaciones en un 10%, como se muestra en la Figura13, el efecto de la ubicación del cuello de botella es
mucho más fuerte. Por (3) y (5), la reducción en el tiempo de preparación reducirá tanto la media como la variabilidad del valor efectivo.
Figura 10. Efecto de la mejora del 50% en el tiempo de configuración del cuello de botella y la mejora del 10% en el tiempo de configuración de todas las estaciones de trabajo
(entorno desequilibrado y cuello de botella en la estación de trabajo 4).
Figura 11. Comparación entre el efecto de una mejora del 50% en el tiempo de configuración del cuello de botella y la mejora del 10% en el tiempo de configuración de todas
las estaciones de trabajo (entorno desequilibrado y cuello de botella en la estación de trabajo 1).
tiempo de procesamiento en esa estación. La reducción de la variabilidad en una estación dada se propaga, a través de la Ecuación (8), a todas las
estaciones aguas abajo, especialmente en alta utilización. Por tanto, volvemos a encontrar el efecto compuesto de las reducciones de la variabilidad
en una estación determinada; mejorarán tanto el rendimiento de esa estación como el de las estaciones aguas abajo. Las mejoras en una estación de
cuello de botella beneficiarán al sistema más que una mejora similar en una estación sin cuello de botella; si, además, la mejora en la estación de
cuello de botella se propaga, a través de (10), a un gran número de estaciones aguas abajo, la mejora en el sistema general será mayor. Por lo tanto,
mejorar la variabilidad en un cuello de botella al comienzo de la línea afectará la variabilidad del flujo en todas las estaciones aguas abajo, lo que
producirá un CT más bajo que en otras ubicaciones de cuello de botella.
Varios autores que han estudiado esta cuestión (Kadipasaoglu et al. 2000; Caridi, Cigolini y Farina2006; Patti, Neuman y Cavanagh2008)
están de acuerdo en que la ubicación "ideal" de la estación de cuello de botella en una línea serie depende de la variabilidad de las
diferentes estaciones; en particular, que en un entorno de alta variabilidad es preferible ubicar el cuello de botella lo antes posible en la
línea. Esto constituye una validación de los hallazgos de nuestro modelo, aunque no es una cuestión de investigación principal de este
artículo; nuestro interés aquí es dónde dirigir los esfuerzos de mejora continua en relación con una ubicación de cuello de botella
determinada.
Estos experimentos con respecto a la mejora del tiempo de configuración se repitieron para mejorar la variabilidad del proceso, el tiempo medio de
reparación y el tiempo medio entre fallas con resultados cualitativamente similares. Esto es cierto incluso para los programas de reducción de la variabilidad,
que no tienen ningún efecto sobre la utilización.
Figura 12. Comparación entre el efecto de una mejora del 50% en el tiempo de configuración del cuello de botella y la mejora del 10% en el tiempo de configuración de todas las estaciones
de trabajo (entorno desequilibrado y cuello de botella en la estación de trabajo 5).
Figura 13. Efecto de la mejora del 10% en todos los puestos de trabajo en el tiempo de preparación según la posición del cuello de botella en la línea.
6. Conclusiones
En este artículo, presentamos un modelo de dinámica de sistemas simple basado en la visión Factory Physics de los sistemas de
manufactura que nos permite estudiar los efectos de diferentes programas de mejora continua en talleres de flujo balanceado y
desequilibrado. Nuestros resultados indican que pequeñas mejoras simultáneas en múltiples ubicaciones de la línea pueden producir
beneficios comparables y, a menudo, mayores que una reducción importante en un parámetro en una ubicación. Esto es coherente con el
éxito reconocido del sistema de producción de Toyota, que hace que la mejora continua sea parte del trabajo de todos en todas las
ubicaciones del sistema de producción.
A primera vista, estos hallazgos parecen contradecir la posición de la Teoría de las Restricciones de que los programas de mejora continua deben
enfocarse en los recursos de cuello de botella y que el tiempo dedicado a mejorar los recursos que no son de cuello de botella se desperdicia
(Goldratt y Fox 1986; Goldratt y Cox1992). Sin embargo, nuestros hallazgos sugieren que, en algunos casos, el cuello de botella puede verse afectado
activamente por la variabilidad en el procesamiento en operaciones sin cuello de botella; el rendimiento del cuello de botella se ve afectado
negativamente por el flujo desigual de material en la operación de cuello de botella. El segundo autor ha experimentado esto de primera mano en
una instalación de fabricación de obleas semiconductoras donde una máquina cuya utilización promedio era inferior a 0,3 podía interrumpir el flujo
de material hacia el cuello de botella (utilización media superior a 0,85) durante varias semanas cuando
fallaron y las piezas de repuesto no estaban disponibles. En este contexto, afectar las mejoras en las máquinas sin cuello de botella para
mejorar el flujo de material hacia el cuello de botella y reducir la probabilidad de su inanición es totalmente consistente con la Teoría de
Restricciones.
Otro hallazgo interesante es que los programas de mejora algo estilizados que estudiamos mejoran la TC al reducir la utilización, la variabilidad
del procesamiento o ambas cosas. Las reducciones en la variabilidad del procesamiento en las etapas aguas arriba son doblemente beneficiosas, ya
que reducen el CT en la estación que se mejora y al mismo tiempo se reduce la variabilidad del flujo en las estaciones aguas abajo. Este efecto se
vuelve particularmente importante en altos niveles de utilización. Por lo tanto, un esfuerzo de todo el sistema para reducir la variabilidad muestra un
gran potencial para mejoras significativas en el rendimiento del sistema a niveles de inversión modestos. Sin embargo, una vez que la utilización se
acerca al 100%, las reducciones en la variabilidad que no afectan la utilización media, como la reducción de la variabilidad del procesamiento natural
en las estaciones individuales, ya no pueden producir mejoras; se necesitan medidas para mantener la utilización por debajo del 100%. En la práctica,
los programas de mejora enfocados en reducir la variabilidad, al eliminar los valores extremos de los parámetros abordados, también ayudarán a
reducir la utilización, un efecto que no se captura aquí, como se discutió en Kayton et al. (1997).
Son evidentes varias direcciones interesantes para el trabajo futuro. La extensión de este estudio a sistemas de
producción con configuraciones de montaje y desmontaje más complejas es claramente de interés. La capacidad de
incorporar recursos de producción con búferes finitos, cuyo comportamiento se ve afectado significativamente por
el bloqueo, también es una extensión importante. También es de interés el desarrollo de modelos de optimización
estocástica que pueden orientar a la gerencia sobre dónde dirigir los esfuerzos de mejora para un estado dado de
los parámetros del sistema, cuando la cantidad y el momento de la mejora que se puede obtener está sujeta a
incertidumbre. Finalmente, la incorporación de modelos de mejora más realistas que permitan reducir el tamaño de
los lotes para aprovechar las reducciones del tiempo de montaje,
Referencias
Adams, M., P. Componation, H. Czarnecki y BJ Schroer. 1999. “La simulación como herramienta para la mejora continua de procesos”. En
Conferencia de simulación de invierno, Phoenix, AZ.
Baines, TS y DK Harrison. 1999. "Una oportunidad para la dinámica de sistemas en el modelado de sistemas de fabricación".Producción
Planificación y control 10: 542–552.
Barad, M. y S. Dror. 2008. “Los mapas estratégicos como vías de mejora para las empresas”.Revista internacional de investigación de producción
46: 6627–6647.
Berger, A. 1997. "Continuous Improvement and Kaizen: Standartization and Organizational Designs". Fabricación integrada
Sistemas 8: 110-117.
Biller, S. y S. Meerkov. 2013. "Tasas de liberación de materia prima para garantizar el tiempo de producción deseado en las líneas seriales de Bernoulli".
Revista internacional de investigación de producción 51: 4349–4364. Buzacott, JA y JG Shanthikumar. 1993.Modelos estocásticos de
sistemas de fabricación. Englewood Cliffs, Nueva Jersey: Prentice-Hall. Caridi, M., R. Cigolini y V. Farina. 2006. “Designing Unbalanced Paced
Lines: A Conceptual Model and Experimental
Campaña." Planificación y control de la producción 17: 464–479.
Chand, S., H. Moskowitz, A. Novak, I. Pekhi y G. Sorger. 1996. “Asignación de capacidad para la mejora dinámica de procesos con
Consideraciones de calidad y demanda ”. La investigación de operaciones 44 (6): 964–975.
Dayhoff, JE y RW Atherton. 1986a. "Análisis de firmas de esquemas de despacho en la fabricación de obleas".Transacciones IEEE en
Componentes, híbridos y tecnología de fabricación 9: 518-525.
Dayhoff, JE y RW Atherton. 1986b. “Análisis de firmas: simulación de compensaciones de inventario, tiempo de ciclo y rendimiento en
Fabricación de obleas ". Transacciones IEEE sobre componentes, híbridos y tecnología de fabricación 9: 498–507.
Domaschke, J., S. Brown, J. Robinson y F. Leibl. 1998. “Implementación efectiva de estrategias de reducción del tiempo de ciclo para
Fabricación de back-end de semiconductores ". EnConferencia de simulación de invierno, Washington DC. Ebert, RJ 1976.
"Planificación agregada con productividad de la curva de aprendizaje".Ciencias de la gestión 23: 12. Fine, CH 1986. "Mejora de la
calidad y aprendizaje en sistemas productivos". Tecnología de gestión 32: 1301-1315. Fine, CH 1988. "Un modelo de control de calidad
con efectos de aprendizaje".La investigación de operaciones 36: 437–444. Forrester, JW 1962.Dinámica industrial. Cambridge, MA: MIT
Press. Gershwin, SB 1994.Ingeniería de Sistemas de Fabricación. Englewood Cliffs, Nueva Jersey: Prentice-Hall.
Godinho Filho, M. y R. Uzsoy. 2008. “Combinando el enfoque de la dinámica de sistemas y la física de fábrica para estudiar el efecto de
Mejora continua en las relaciones entre el tamaño del lote y el tiempo de ciclo ”. XIX Conferencia Anual de la Sociedad de Gestión de
Producción y Operaciones. La Jolla, CA.
Godinho Filho, M. y R. Uzsoy. 2011. “El efecto de los programas de mejora continua de la planta en el tamaño del lote: tiempo de ciclo
Relación en un entorno de una sola máquina multiproducto ”. Revista internacional de tecnología de fabricación avanzada
52: 669–681.
Godinho Filho, M. y R. Uzsoy. 2013. “El impacto de la mejora continua en el tiempo de instalación y reparación en el ciclo de fabricación
Tiempo bajo condiciones inciertas ". Revista internacional de investigación de producción 51: 447–464. Goldratt, EM y J. Cox.
1992.La meta: un proceso de mejora continua. Great Barrington, MA: North River Press. Goldratt, E. y RE Fox. 1986.La raza. Great
Barrington, MA: North River Press. Gunasekaran, A. 1999. "Fabricación ágil: un marco para la investigación y el desarrollo".Revista
internacional de producción
Ciencias económicas 62: 87-105.
Heijnen, P. y Z. Lukszo. 2006. "Mejora continua de la operación por lotes: un marco de apoyo a la toma de decisiones".Producción
Hiller, RS y JF Shapiro. 1986. "Planificación óptima de la expansión de la capacidad cuando hay efectos de aprendizaje".Ciencias de la gestión
32: 11.
Hopp, WJ y ML Spearman. 2008.Física de fábrica: fundamentos de la gestión de fabricación. Boston, MA: Irwin / McGraw-
Cerro.
Hopp, WJ, SMR Iravani y B. Shou. 2007. "Un árbol de diagnóstico para mejorar el rendimiento de la línea de producción".Producción y
Jefe de operaciones 16: 77–92.
Hu, G., L. Wang, S. Fetch y B. Bidanda. 2008. “Un modelo multiobjetivo para la selección de la cartera de proyectos para implementar Lean y
Conceptos Six Sigma ". Revista internacional de investigación de producción 46: 6611–6625. Ignizio, JP 2009.Optimización del
rendimiento de la fábrica: formas rentables de lograr mejoras significativas y sostenibles. Nuevo
York: McGraw-Hill.
Imai, M. 1986. Kaizen: la clave del éxito competitivo de Japón. Nueva York: Random House.
Kadipasaoglu, SN, W. Xiang, SF Hurley y BM Khumawala. 2000. “Un estudio sobre el efecto de la extensión y ubicación de
Capacidad de protección en sistemas de flujo ”. Revista Internacional de Economía de la Producción 63: 217-228.
Kayton, D., T. Teyner, C. Schwartz y R. Uzsoy. 1997. “Enfocando los esfuerzos de mejora del mantenimiento en una instalación de fabricación de obleas
Operando bajo la teoría de las restricciones ". Gestión de producción e inventario 51–57.
Kim, S. y R. Uzsoy. 2008. “Planificación Integrada de la Mejora de Procesos de Ingeniería y Producción”.Transacciones IEEE en
Fabricación de semiconductores 21: 390–398.
Kim, S. y R. Uzsoy. 2013. “Modelización y Análisis de Planificación Integrada de Producción y Mejora de Procesos de Ingeniería”.
Transacciones IEEE sobre fabricación de semiconductores 26: 414–422. Li, J. y S.
Meerkov. 2009.Ingeniería de Sistemas de Producción. Nueva York: Springer.
Li, N., L. Zhang, MT Zhang y L. Zheng. 2005. “Estudio de física aplicada en fábrica sobre ensamblaje y prueba de semiconductores
Fabricación." EnSimposio internacional IEEE sobre fabricación de semiconductores, San José, CA. Liao, WM 1979. "Efectos del
aprendizaje en las decisiones de asignación de recursos".Ciencias de la decisión 10: 116-125. Liker, J. 2004.The Toyota Way: 14
principios de gestión del mayor fabricante del mundo. Nueva York: McGraw-Hill.
Lin, C., TS Baines, J. O'kane y D. Link. 1998. “Metodología genérica que ayuda a la aplicación de la dinámica de sistemas a
Modelado de sistemas de fabricación ". Publicación de la conferencia IEE 457: 344–349.
Lutz, S., H. Loedding y HP Wiendahl. 2003. "Análisis de inventario orientado a la logística".Revista internacional de producción
Ciencias económicas 85: 217-231.
Mauri, F., M. Garretti y M. Gandelli. 2010.Un enfoque estructurado para la mejora de procesos en la producción de sistemas de fabricación
Mayer, M. y M. Nusswald. 2001. "Mejora de los costos de fabricación y los plazos de entrega con curvas operativas orientadas a la calidad".
Revista de tecnología de procesamiento de materiales 119: 83–89. Nakajima, S. 1988.Introducción a TPM. Portland: Productivity Press. Nyhuis,
P. 2007. "Aplicaciones prácticas de las curvas operativas logísticas".Anales CIRP - Tecnología de fabricación 56 (1): 483–486. Pande, P., RP Neuman y
RR Cavanagh. 2000.El método Six Sigma: cómo se están perfeccionando GE, Motorola y otras empresas importantes
Su desempeño. Nueva York: McGraw-Hill.

Patti, AL, K. Watson y JH Blackstone JR. 2008. “La forma de la capacidad protectora en sistemas de producción desequilibrados con
Tiempo de inactividad no planificado de la máquina ". Planificación y control de la producción 19: 486–494.
Reeves, GR y JR Sweigart. 1981. "Modelos de mezcla de productos cuando existen efectos de aprendizaje".Ciencias de la gestión 27 (2):
204–212.
Schoemig, AK 1999. "La influencia corruptora de la variabilidad en la fabricación de semiconductores". EnConferencia de simulación de invierno,
editado por PA Farrington, HB Nembhard, DT Sturrock y GW Evans, 837–842. Phoenix, AZ: Instituto de Ingenieros
Eléctricos y Electrónicos (IEEE).
Shingo, S. 1986. Una revolución en la fabricación: el sistema SMED. Cambridge: Productivity Press.
Da Silva, CRN y R. Morabito. 2009. “Evaluación del desempeño y planificación de la capacidad en un sistema de taller metalúrgico
Uso de modelos de red de cola abierta ". Revista internacional de investigación de producción 47: 6589–6609. Stalk, G. y TM Hout. 1990.
Competir contra el tiempo: cómo la competencia basada en el tiempo está remodelando los mercados globales. Nueva York:
Prensa Libre.
Sterman, JD 2000. Dinámica empresarial: pensamiento y modelado de sistemas para un mundo complejo. Nueva York: McGraw-Hill. Storck, J. 2010.
"Exploración de trayectorias de mejora con el modelado dinámico de costos de procesos: un caso de la industria del acero".Enterrar-
Revista nacional de investigación de producción 48: 3493–3511.
Sugimori, Y., K. Kusunoki, F. Cho y S. Uchikawa. 1977. “Sistema de producción de Toyota y sistema Kanban: materialización de
Justo a tiempo y respeto por el sistema humano ". Revista internacional de investigación de producción 15: 553–564. Suri, R. 1998.Fabricación
de respuesta rápida: un enfoque de toda la empresa para reducir los plazos de entrega. Portland: Productivity Press. Terwiesch, C. y RE Bohn. 2001.
"Aprendizaje y mejora de procesos durante el aumento de producción".Revista Internacional de
Economía de la producción 70: 1-19.
Thawesaengskulthai, N. y JDT Tannock. 2008. "Ayuda a la toma de decisiones para seleccionar metodologías de mejora".Internacional
Revista de investigación de producción 20: 6721–6737.
Voss, CA 2005. "Paradigmas de estrategia de fabricación revisados". Revista Internacional de Operaciones y Producción
Gestión 25: 1223-1227.
Weber, CM y A. Fayed. 2010. “Optimización de su posición en la curva operativa: ¿Cómo puede una fábrica maximizar realmente su
¿Rendimiento?" Transacciones IEEE sobre fabricación de semiconductores 23: 21-29. Womack, JP, DT Jones y
D. Ross. 1990.La máquina que cambió el mundo. Nueva York: Harper Perennial.

Godinhofilho2013 en Es

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Godinhofilho2013 en Es

Cargado por

Copyright:

Formatos disponibles

Traducido del inglés al español - www.onlinedoctranslator.

Este artículo fue descargado por: [Universidad de Nebraska, Lincoln] el: 4

Revista internacional de investigación de producción

Evaluar el impacto de programas alternativos de mejora

Moacir Godinho Filhoa Y Reha UzsoyB

Haga clic para obtener actualizaciones

Para vincular a este artículo: http://dx.doi.org/10.1080/00207543.2013.860249

POR FAVOR, DESPLÁCESE HACIA ABAJO PARA EL ARTÍCULO

(Recibido el 10 de febrero de 2013; aceptado el 21 de octubre de 2013)

Palabras clave: curva operativa; mejora continua; física de fábrica

* Autor correspondiente. Correo electrónico:ruzsoy@ncsu.edu

© 2013 Taylor y Francis

2. Trabajo relacionado anterior

2.1 Mejora continua

2.2 Dinámica de sistemas y física de fábrica

3.1 Modelo de un solo recurso

Figura 1 ilustra estas relaciones en forma de un diagrama de bucle causal.

ADtÞ ¼ GRAMO þ ðA0 - GRAMOÞmi-t =s (7)

3.2 El entorno de flow-shop

ANUAL TIEMPO TRABAJADO

DEMANDA DURANTE EL AÑO

Tamaño del lote

Coeficiente de variación para un Media general de

Configurar hora con

Varianza del tiempo de preparación

Varianza del procesamiento efectivo

Tiempo medio hasta el

Varianza del tiempo de reparación

con mejora Tiempo medio de reparación con

Figura 1. Diagrama de bucle causal del modelo SD para un solo recurso.

Figura 2. Estructura SD de CI en tiempo de preparación.

CDDIÞ ¼ tuDIÞ2C2 miDIÞ þ ð1 - tuDIÞ2ÞC2 aDIÞ (8)

CaDI þ 1Þ ¼ CDDIÞ (9)

(1) Sin mejoría;

Tabla 2. Valores de los parámetros utilizados en experimentos.

Parámetro Notación Valor

Demanda anual D 11,520 piezas / año

Tabla 3. Nivel de demanda y utilización correspondiente.

Demanda (partes / año) Utilización antes de mejoras (%)

5.1 Experimentos con el entorno de una sola estación de trabajo

5.2 Experimentos para el entorno de flow-shop equilibrado

mejorar el parámetro especificado en un 50% en una estación de trabajo

5.4 Experimentos en un entorno de flow-shop desequilibrado

Su desempeño. Nueva York: McGraw-Hill.

También podría gustarte